本文主要探讨了在低资源环境下运用主动学习来提高机器翻译系统的翻译质量，使用流式主动学习提高翻译质量，通过动态组合多种查询策略，使用预测和专家建议来决定最优策略。通过实验证明，在更少的人工干预下，使用主动学习可以收敛到最好的机器翻译系统。

Mar, 2022

本研究提出了首个主动学习过程 (MSP) 用于语义解析，包括数据集选择和超参数调整，从而达到减少翻译成本并提高解析性能的目的。

Jan, 2023

这篇论文探讨了语义解析中的挑战，特别关注有限数据和计算资源的情况，提供了使用自动数据处理、知识转移、主动学习和持续学习等技术的解决方案。

Sep, 2023

本文探讨了使用主动学习技术对无限数据流进行交互式神经机器翻译的应用，并提出了两种选择样本的新方法。我们的实验表明，将主动学习技术集成到翻译系统中可在增加翻译质量的同时降低所需的人力工作量，并使人力工作量达到一定的翻译质量平衡。此外，我们的神经系统表现明显优于传统方法。

Jul, 2018

使用大型语言模型通过少量提示将英文数据集转化为多种语言，以实现多语言语义解析，并在两个公共数据集上与传统的翻译 - 训练方法进行比较，表明使用 LLM 更有效。

Oct, 2022

本文使用 Joey NMT 工具包中的 Active Learning 技术，通过两种基于模型的获取函数 (BM, FTM, ALLCM, 和 ALMSM)，研究了英语到印地语的神经机器翻译。本文的结果表明，Active Learning 技术能够使模型更早地达到收敛并提高整个翻译系统的质量，其中 ALLCM 和 ALMSM 两种模型取得了最好的 BLEU 分数。

Dec, 2022

本文拟通过选择在新领域非标记数据中的全句和短语，将其路由至人类翻译，解决神经机器翻译在领域转移方面的限制，从而在德语 - 英语翻译任务上，相比于不确定性句子选择方法，实现了一定程度的改进。

Jun, 2021

本文提出了一种基于多任务学习方法，利用源端的单语言语言资源来解决神经机器翻译中由于缺少平行文本造成模型质量差的问题，并采用语义分析、句法分析和命名实体识别等辅助任务以将语义和 / 或句法知识注入到翻译模型中，实现了在英法、英波斯和英越三种翻译任务上的有效性验证。

May, 2018

本研究的主要目的是使一个语义解析器模型从英语语言转移到其他多种语言和领域上，通过机器翻译、释义、多语言预训练模型，我们得出一个基于 Transformer 的语义解析器，用于在德语和中文中准确解析。实验表明，机器翻译结合多组 MT 引擎释义可以近似于多种语言的训练数据，同时我们还成功地将训练数据减半，最终准确度仅低于完整翻译 2%。

Apr, 2020

本文介绍一种半监督的方法来解决低资源语言机器翻译的问题，通过增强高质量的句子对和使用基于 SentenceBERT 的过滤器来提高数据质量，将交叉熵损失和 KL 散度相结合，特别是通过伪目标句子实现无监督训练，实验证明该方法可以显著提高 NMT 基线性能

Apr, 2023